論文の概要: ProGeo-RC: Prototype-guided Semantic Reliability and Geometric Error Calibration for Semi-supervised Cardiac Image Segmentation

• arxiv url: http://arxiv.org/abs/2611.04257v1
• Date: Tue, 03 Nov 2026 03:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 00:44:45.439945
• Title: ProGeo-RC: Prototype-guided Semantic Reliability and Geometric Error Calibration for Semi-supervised Cardiac Image Segmentation
• Title（参考訳）: ProGeo-RC:半教師型心臓画像分割のためのプロトタイプ誘導セマンティック信頼性と幾何学的誤差校正
• Abstract要約: ProGeo-RCは半教師付き医用画像セグメンテーションのためのプロトタイプ誘導型セマンティック信頼性および幾何誤差校正フレームワークである。 ProGeo-RCは, 半教師付きセグメンテーション法に比べ, 性能が向上する。
• 参考スコア（独自算出の注目度）: 21.790140825856238
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semi-supervised medical image segmentation aims to train reliable segmentation models using limited labeled data and abundant unlabeled data. However, existing methods typically rely on prediction confidence or model consistency to estimate pseudo-label reliability, but these criteria are insufficient to characterize both semantic reliability and geometric plausibility. To address this issue, we propose ProGeo-RC, a prototype-guided semantic reliability and geometric error calibration framework for semi-supervised medical image segmentation. ProGeo-RC consists of two key modules: Prototype-guided Semantic Reliability Estimation (PSRE) and Structured Semantic-Geometric Error Calibration (S-SGEC). PSRE uses probabilistic class prototypes to estimate the semantic reliability of unlabeled predictions and calibrate pixel-wise teacher pseudo labels, while S-SGEC introduces signed-distance-field-based geometric constraints to refine ambiguous boundaries and suppress spurious foreground responses outside target structures. Experiments on the ACDC and MVAA-CT datasets show that ProGeo-RC achieves better performance compared with representative semi-supervised segmentation methods. Under the 10\% labeled setting on ACDC, ProGeo-RC improves DSC and Jaccard by 0.37\% and 0.49\% over the corresponding second-best results, while reducing 95HD and ASD by 0.61 and 0.21, respectively. These results indicate that joint semantic reliability estimation and geometric error calibration can provide more reliable pseudo supervision for semi-supervised medical image segmentation.
• Abstract（参考訳）: 半教師付き医用画像セグメンテーションは、限られたラベル付きデータと豊富なラベルなしデータを用いて信頼性の高いセグメンテーションモデルを訓練することを目的としている。 しかし、既存の手法は予測信頼度やモデル整合性を利用して擬似ラベルの信頼性を推定するが、これらの基準は意味的信頼性と幾何学的妥当性の両方を特徴づけるには不十分である。 この問題を解決するために,半教師付き医用画像分割のためのプロトタイプ誘導型セマンティック信頼性と幾何誤差校正フレームワークProGeo-RCを提案する。 ProGeo-RCは、プロトタイプ誘導セマンティック信頼性推定(PSRE)と構造化セマンティック幾何誤差校正(S-SGEC)の2つの重要なモジュールで構成されている。 PSREは確率的クラスプロトタイプを使用して、ラベル付き予測のセマンティックな信頼性を推定し、画素単位の教師の擬似ラベルを校正する一方、S-SGECは符号付き距離場に基づく幾何的制約を導入し、曖昧な境界を洗練させ、ターゲット構造外の刺激的なフォアグラウンド応答を抑制する。 ACDCおよびMVAA-CTデータセットの実験により、ProGeo-RCは、一般的な半教師付きセグメンテーション法よりも優れた性能を示すことが示された。 10\%のラベル付けされたACDCでは、ProGeo-RCはDSCとJaccardをそれぞれ0.37\%と0.49\%に改善し、95HDとASDを0.61と0.21に減らした。 これらの結果は,共同意味的信頼性推定と幾何誤差校正により,半教師付き医用画像のセグメント化をより信頼性の高い疑似監督が可能であることを示唆している。

関連論文リスト

• Quantum-Inspired Geometric Classification with Correlation Group Structures and VQC Decision Modeling [0.5039813366558307]
  本稿では、相関群構造(CGR)、コンパクトなSWAPテストに基づく重複推定、選択的変分量子決定モデリングを統合した幾何駆動型量子インスピレーション型分類フレームワークを提案する。 CGRは特徴をアンカー中心の相関近傍に整理し、非線形で相関重み付き表現を生成する。 Credit Card Fraudデータセット(0.17%)では、Delta + VQCパイプラインが約0.85マイノリティリコールを約1.31%の警告レートで達成し、ROC-AUC 0.9249とPR-AUC 0.3251をフルデータセットで評価している。
  論文  参考訳（メタデータ） (2026-04-02T11:50:29Z)
• Uncertainty-aware Cross-training for Semi-supervised Medical Image Segmentation [45.96892342675963]
  半教師型医療画像(UC-Seg)のための不確実性を考慮したクロストレーニングフレームワークを提案する。 本手法は,他の最先端半教師付き手法と比較して,セグメンテーション精度と一般化性能に優れる。
  論文  参考訳（メタデータ） (2025-08-12T15:28:10Z)
• CONSIGN: Conformal Segmentation Informed by Spatial Groupings via Decomposition [0.0]
  ほとんどの機械学習ベースのイメージセグメンテーションモデルは、各ピクセルにおける各クラスラベルの予測確率を表す画素単位の信頼スコアを生成する。 コンフォーマル予測は、信頼度スコアを統計的に妥当な不確実性推定に変換するための原則化された枠組みを提供する。
  論文  参考訳（メタデータ） (2025-05-20T09:19:37Z)
• We Care Each Pixel: Calibrating on Medical Segmentation Model [12.592472854721333]
  pixel-wise expected Error (pECE) は、画素レベルでの誤校正を測定する新しい指標である。 また, キャリブレーション損失の計算に先立って, 地中トラスマスクに形態的操作を適用する形態的適応戦略を導入する。 本手法はセグメンテーション性能を向上するだけでなく,キャリブレーション品質も向上し,信頼性の高い推定値が得られる。
  論文  参考訳（メタデータ） (2025-03-07T03:06:03Z)
• Contrastive Model Adaptation for Cross-Condition Robustness in Semantic Segmentation [58.17907376475596]
  意味的セグメンテーションのための正規-逆条件モデル適応について検討する。 提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。 いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
  論文  参考訳（メタデータ） (2023-03-09T11:48:29Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。